Fugu-MT 論文翻訳(概要): PaGO-LOAM: Robust Ground-Optimized LiDAR Odometry

論文の概要: PaGO-LOAM: Robust Ground-Optimized LiDAR Odometry

arxiv url: http://arxiv.org/abs/2206.00266v1
Date: Wed, 1 Jun 2022 06:50:44 GMT
ステータス: 処理完了
システム内更新日: 2022-06-02 13:16:58.073049
Title: PaGO-LOAM: Robust Ground-Optimized LiDAR Odometry
Title（参考訳）: PaGO-LOAM:ロバストグラウンド最適化LiDARオドメトリー
Authors: Dong-Uk Seo, Hyungtae Lim, Seungjae Lee, Hyun Myung
Abstract要約: 地上最適化LiDARオドメトリーは、通常、前処理法としてグラウンドセグメンテーションを用いる。本稿では, 地盤のセグメンテーションがLiDAR SLAMに与える影響を確認するために, 強靭な地盤最適化LiDARオドメトリーフレームワークを提案する。これらの手法は, KITTI odometry データセットを用いて検討した。
参考スコア（独自算出の注目度）: 7.111443975103329
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Numerous researchers have conducted studies to achieve fast and robust ground-optimized LiDAR odometry methods for terrestrial mobile platforms. In particular, ground-optimized LiDAR odometry usually employs ground segmentation as a preprocessing method. This is because most of the points in a 3D point cloud captured by a 3D LiDAR sensor on a terrestrial platform are from the ground. However, the effect of the performance of ground segmentation on LiDAR odometry is still not closely examined. In this paper, a robust ground-optimized LiDAR odometry framework is proposed to facilitate the study to check the effect of ground segmentation on LiDAR SLAM based on the state-of-the-art (SOTA) method. By using our proposed odometry framework, it is easy and straightforward to test whether ground segmentation algorithms help extract well-described features and thus improve SLAM performance. In addition, by leveraging the SOTA ground segmentation method called Patchwork, which shows robust ground segmentation even in complex and uneven urban environments with little performance perturbation, a novel ground-optimized LiDAR odometry is proposed, called PaGO-LOAM. The methods were tested using the KITTI odometry dataset. \textit{PaGO-LOAM} shows robust and accurate performance compared with the baseline method. Our code is available at https://github.com/url-kaist/AlterGround-LeGO-LOAM.
Abstract（参考訳）: 地上移動プラットフォームのための高速で堅牢なLiDARオドメトリー法を実現するために,多くの研究者が研究を行っている。特に、地上最適化LiDARオドメトリーは、通常、前処理法としてグラウンドセグメンテーションを用いる。これは、地上のプラットホーム上の3D LiDARセンサーが捉えた3Dの点のほとんどが地上から来ているためである。しかし, 地盤のセグメンテーション性能がLiDAR計測に及ぼす影響については, 未だ詳しく調べられていない。本稿では, 地盤のセグメンテーションがLiDAR SLAMに与える影響を, 最新技術 (SOTA) 法に基づいて検証するために, 頑健な地盤最適化LiDAR odometryフレームワークを提案する。提案するオドメトリフレームワークを用いることで,地上セグメンテーションアルゴリズムがよく記述された特徴を抽出し,SLAM性能を向上させることができるかどうかを容易に検証できる。また, 複雑で不均一な都市環境においても, 強靭な地盤セグメンテーションを示すPatchworkと呼ばれるSOTAの地盤セグメンテーション手法を活用することにより, PaGO-LOAMと呼ばれる新しい地盤最適化LiDARオードメトリーを提案する。 KITTI odometry データセットを用いて実験を行った。 \textit{PaGO-LOAM} はベースライン法と比較して堅牢で正確な性能を示す。私たちのコードはhttps://github.com/url-kaist/AlterGround-LeGO-LOAMで公開されています。

関連論文リスト

GeoSplatting: Towards Geometry Guided Gaussian Splatting for Physically-based Inverse Rendering [69.67264955234494]
GeoSplattingは、3DGSを明示的な幾何学的ガイダンスと微分可能なPBR方程式で拡張する新しいハイブリッド表現である。多様なデータセットにわたる総合的な評価は、GeoSplattingの優位性を示している。
論文参考訳（メタデータ） (2024-10-31T17:57:07Z)
DSLO: Deep Sequence LiDAR Odometry Based on Inconsistent Spatio-temporal Propagation [66.8732965660931]
本稿では,LiDAR odometry DSLO の非一貫性時間伝搬に基づく3次元点列学習モデルを提案する。ピラミッド構造で、シーケンシャルなポーズモジュール、階層的なポーズリファインメントモジュール、時間的特徴伝搬モジュールで構成されている。
論文参考訳（メタデータ） (2024-09-01T15:12:48Z)
Visual-LiDAR Odometry and Mapping with Monocular Scale Correction and Visual Bootstrapping [0.7734726150561089]
低ドリフト特性を有する新しい視覚-LiDARオドメトリーおよびマッピング法を提案する。提案手法は,ORB-SLAM と A-LOAM の2つの一般的な手法に基づく。 ORB-SLAM2 と A-LOAM を比較検討した。
論文参考訳（メタデータ） (2023-04-18T13:20:33Z)
MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based Self-Supervised Pre-Training [58.07391711548269]
Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
論文参考訳（メタデータ） (2023-03-23T17:59:02Z)
LMBAO: A Landmark Map for Bundle Adjustment Odometry in LiDAR SLAM [2.218316486552747]
既存のLiDARオドメトリーは、単に以前の固定位置スキャンと反復的に新しいスキャンと一致し、徐々にエラーを蓄積する傾向にある。この手紙は、これらの問題を解決するためにLiDAR SLAMにおけるバンドル調整オドメトリー(LMBAO)のランドマークマップと呼ばれる新しい戦略を設計した。具体的には,スライディングウィンドウにおける特徴点のみでなく,地図上の安定なランドマーク全体を保存し,アクティブグレードに応じてランドマークを削除する。
論文参考訳（メタデータ） (2022-09-19T07:48:28Z)
Patchwork++: Fast and Robust Ground Segmentation Solving Partial Under-Segmentation Using 3D Point Cloud [7.111443975103329]
いくつかのグラウンドセグメンテーション法では、周囲に応じてパラメータを微調整する必要がある。部分的な部分分割問題は依然として発生しうるが、これは一部の地域でのグラウンドセグメンテーションの失敗を意味する。 3次元LiDARモデルに基づいて,仮想ノイズを効率的に除去する反射ノイズ除去(RNR)を提案する。
論文参考訳（メタデータ） (2022-07-25T06:09:02Z)
Boosting 3D Object Detection by Simulating Multimodality on Point Clouds [51.87740119160152]
本稿では,LiDAR 画像検出器に追従する特徴や応答をシミュレートすることで,単一モダリティ (LiDAR) 3次元物体検出器を高速化する新しい手法を提案する。このアプローチでは、単一モダリティ検出器をトレーニングする場合のみ、LiDARイメージデータを必要とし、十分にトレーニングされた場合には、推論時にのみLiDARデータが必要である。 nuScenesデータセットの実験結果から,本手法はSOTA LiDARのみの3D検出器よりも優れていることがわかった。
論文参考訳（メタデータ） (2022-06-30T01:44:30Z)
MonoDistill: Learning Spatial Features for Monocular 3D Object Detection [80.74622486604886]
本稿では,LiDAR信号からの空間情報を単分子3D検出器に導入するための簡易かつ効果的な手法を提案する。得られたデータを用いて、ベースラインモデルと同じアーキテクチャで3D検出器をトレーニングする。実験の結果,提案手法はベースラインモデルの性能を大幅に向上させることができることがわかった。
論文参考訳（メタデータ） (2022-01-26T09:21:41Z)
Efficient LiDAR Odometry for Autonomous Driving [16.22522474028277]
LiDARオドメトリーは、自律ナビゲーションの自己局在化とマッピングにおいて重要な役割を果たします。近年の球面範囲画像ベース手法は球面マッピングによる高速近接探索の利点を享受している。そこで本稿では,非球面画像と鳥眼視図の両面を基盤点に利用して,新しい効率的なLiDARオドメトリー手法を提案する。
論文参考訳（メタデータ） (2021-04-22T06:05:09Z)
SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks [81.64530401885476]
本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
論文参考訳（メタデータ） (2020-10-19T09:23:39Z)
DMLO: Deep Matching LiDAR Odometry [24.245702652854217]
Deep Matching LiDAR Odometry (DMLO) は,LiDAR odometry タスクに適用可能な特徴マッチング手法を実現する,新しい学習ベースのフレームワークである。我々のフレームワークは既存の学習手法を劇的に上回り、最先端の幾何学的アプローチに匹敵することを示す。
論文参考訳（メタデータ） (2020-04-08T03:52:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。